Toward Understanding the Size Dependence of Shape Features for Predicting Spiculation in Lung Nod...-CSDN博客

本文链接：https://blog.csdn.net/Beans___Lee/article/details/105137007

研究分析了形状特征在预测肺结节毛刺中的表现随结节大小变化的情况。利用LIDC数据集和决策树分类器，发现大结节的形状特征分类效果优于小结节，差异达26%。对于小结节，边界复杂性的直接测量不如纹理和强度特征有效，而大结节的粗糙度特征能较好反映毛刺。结论指出，构建CAD系统时应考虑结节尺寸对形状特征的影响。

摘要由CSDN通过智能技术生成

通过理解形状特征的尺寸依赖性预测肺结节中的毛刺

摘要

我们分析了形状特征对于放射科医生在计算机断层扫描中对肺结中指定的毛刺进行评级的重要性。利用LIDC的数据和基于决策数的分类器模型，我们证明了随着结节尺寸的增加，几种形状特征的重要性相对于其它图像特征不成比例地增加。我们基于形状的分类结果显示，小结节的针刺分类的ROC下面积为0.65，大结节的ROC下面积为0.91，利用形状特征分类的效果有26%的差异。对结果的分析表明，这种性能的变化是由测量边界复杂性的特征所导致的，这些特征对于大结节表现良好，对于小结节而言，表现相对较差，并且也不如其它特征。对于大结节，分割边界的粗糙度很好地反映了针状的语义概念。对于小结节，由于结节的空间分辨率的限制和边界位置的不确定性，使得直接测量硬分割的复杂性并不会产生好的结果。因此，需要更广泛的特征集合来预测小结节的针刺程度，包括纹理、形状和强度特征。言外之意，在构建计算机辅助诊断系统的特定分类器时，形状特征的有效性取决于训练和测试集中结节尺寸分布，这在不同的研究中可能是不一致的。

前言

一个CAD系统可以分为三步：结节识别，结节分割和结节表征。
在分割结节的同时，描绘了结节的边界。该边界随后作为计算低层次图像特征的基础，底层图像特征是从图像内容（原始像素数据）自动提取的数字描述符，以量化诸如图像形状、纹理和强度等不同属性。本研究特别关注形状特征的表现。我们将形状特征与纹理特征和强度特征区分开，因为形状特征只使用包含结节及其边界的像素位置信息。另一方面，纹理和强度特征可以间接地利用边界，以便量化结节内部和外部的像素强度值的分布特征。我们还排除了尺寸特征，例如，从形状特征的定义中单独测量直径或周长。
虽然形状特征与形状语义特征（如针刺）相关是一种天真的假设，但在使用LIDC数据集的早期研究中发现，结节分割的形状与放射科医生的语义评分相关度不高。这种语义差异的原因被认为是由于放射科医生标注的边界位置的不确定性和语义等级的不确定性，因为不同的评分者可能为相同的结节提供不同的评分。
在这种背景下，我们研究了传感器分辨率和结节尺寸在解释形状特征性能方面的作用。在工作中，我们检验了形状特征在预测肺结节中的毛刺的表现如何随着结节大小的变化而变化。

贡献

我们的研究工作主要有以下方面贡献：

研究了特定的特征计算如何受到结节大小的影响。LIDC数据集中结节的大小在3到30毫米之间，小结节的边界相对粗糙的数字化，由非常少的像素组成。相对较低的分辨率使得区分实际边界的复杂度和传感器噪声问题变得更加复杂，这可能会对某些特征计算的效率产生不利的影响。
确定形状特征和肺结节的针刺语义概念之间的映射关系。这样的研究，试图理解图像特征和除恶性肿瘤之外的语义概念之间的映射对于开发基于CAD的第二意见的补充信息是重要的。

LIDC数据集

LIDC是一个公开的胸部CT扫描数据集。2660个病变切片由4名放射科医生进行评估，放射科医生提供病变区域轮廓，同时完成包括针刺在内的9个语义特征的评分。
我们主要的关注点在于，理解给定的具有标注的轮廓信息和由形状特征描述的结果语义评级之间的关系，所以我们将每个评级/分割对视为一个单独的案例。我们通过引入一些技术来避免结果的混淆，比如结合来自多个观察者的评级或组合来自多个注释器的边界。